该论文介绍了一种基于几何的方法来解决现有的真实时间凝视估计系统所面临的挑战，利用普通消费级硬件生成准确、稳定的人脸和虹膜的三维地标，从而预测眼睛凝视方向，实现低计算资源要求下的高精度、实时的眼睛凝视估计。

Dec, 2023

提出实时框架及卷积神经网络用于分类人眼凝视方向和评估眼部访问线索，并使用改进的 Viola-Jones 算法检测人脸，通过几何关系和面部特征点得到眼部区域，并进行逐帧测试以获得平均帧速率 24fps，结果显示其优于现有方法。

May, 2016

本文研究了凝视跟踪中的两种效率：计算效率和可用性效率，并评估了 CNN 网络的推断速度 / 准确性与屏幕校准的精度 / 烦琐程度之间的平衡，结果表明单眼输入和几何回归校准方法达到了最佳平衡。

Sep, 2020

本文对快速光照变化、瞳孔遮挡、非中心和偏轴眼睛记录以及生理学眼睛特征等复杂情况下的自动瞳孔检测进行了研究，提出了基于双卷积神经网络的方法，能够提高瞳孔检测的准确率。

Jan, 2016

本文提出了一种基于学习的方法来进行眼部标志点的定位，采用该方法能够在未受控制的真实环境下较之传统方法更具优势，在个性化视线估计场景中性能优越。

May, 2018

研究了利用仿生学注意机制的物体识别方法，通过采用集成注意力、分类和定位的双重任务模型，利用人类注意力系统分辨图像中的感兴趣区域。

Apr, 2023

通过比较不同机器学习方法在眼部特征追踪中的表现，本研究客观评估了这些方法对最终注视估计质量的影响。

Mar, 2024

探讨了利用机器学习技术进行眼部凝视估计的技术，论文中提出了在不受限制的场景下，通过使用眼部地标来预测凝视方向的方法，并讨论了采用合成数据进行眼部地标本地化训练的学习方法，并提出了使用该模型进行个性化凝视估计的方法。

Jul, 2022

本文提出了使用深度学习方法基于模拟数据准确定位眼睛图像中单个角膜反射点的中心，且性能比目前算法更好，并可解决目前深度学习模型在视线估计中常见的数据可用性问题，可用于提高基于角膜反射的眼动追踪的精度和准确性。

Apr, 2023

该篇论文提出了一种基于卷积神经网络的注意力编码器 - 解码器网络模型，用于迅速高效地对眼睛各部分进行分割，包括巩膜、虹膜、瞳孔和背景，取得了较好的结果。

Oct, 2019